MPF-Net：通过层次流形偏差和微时间波动暴露高保真AI生成视频伪造
计算机视觉与模式识别
2026-02-03 v2
摘要
随着视频生成模型如Veo和 Wan的快速发展，合成内容的视觉质量已达到令人瞩目的水平，宏观级语义错误和时间不一致性不再突出。然而，这并不意味着区分真实与 cutting-edge 高保真伪造内容是不可检测的。我们认为，AI生成的视频本质上是进行流形拟合的产物，而非物理录制。因此，连续相邻帧的像素组成逻辑在AI视频中保留着结构化且均匀的特征。我们称这种现象为“流形投影波动”（Manifold Projection Fluctuations, MPF）。基于此洞察，我们提出了一个层次双路径框架，作为顺序过滤过程。首先，静态流形偏差分支利用大规模视觉基础模型（VFMs）的精炼感知边界，捕获残余空间异常或违反自然现实世界流形（离网）的物理违规。对于成功驻扎在流形上且能规避空间检测的高保真视频，我们引入微时间波动分支作为次级、精细滤波器。通过分析即使在视觉完美序列中仍然持续的结构化MPF，我们的框架确保无论伪造内容是表现为全局现实世界流形偏差还是细微计算指纹，都能被揭露。
引用
@article{arxiv.2601.21408,
title = {MPF-Net: Exposing High-Fidelity AI-Generated Video Forgeries via Hierarchical Manifold Deviation and Micro-Temporal Fluctuations},
author = {Xinan He and Kaiqing Lin and Yue Zhou and Jiaming Zhong and Wei Ye and Wenhui Yi and Bing Fan and Feng Ding and Haodong Li and Bo Cao and Bin Li},
journal= {arXiv preprint arXiv:2601.21408},
year = {2026}
}